論文の概要: Coaching Qwen3 Coder 30B to Think Like a CodeClash Arena Agent

• arxiv url: http://arxiv.org/abs/2609.16096v1
• Date: Mon, 14 Sep 2026 14:50:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 14:56:08.152544
• Title: Coaching Qwen3 Coder 30B to Think Like a CodeClash Arena Agent
• Title（参考訳）: Qwen3 Coder 30BをコーチしてCodeClashアリーナエージェントのように見える
• Abstract要約: Qwen3-Coder-30Bはアリーナスタイルのインタラクションには適していないことを示す。 本稿では、教師の軌跡を明示的な[物]鎖に書き換えるReAct SFTと、学習後のチェックを促進するためにサンプルを重み付けするトラジェクトリ品質重み付きSFTを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language model coding agents have recently become useful for software tasks, but weaker or open-weight agents still struggle to reliably interpret user intent and execute complex multi-step workflows. This gap is especially visible in long-horizon settings, where an agent must repeatedly inspect prior outcomes, diagnose failure, and choose the next code edit under interaction constraints. It motivates a natural question: what can we do to improve the thinking process of a weak code agent? We study this question in CodeClash, a code-arena benchmark where the original work evaluates 8 commercial coding agents across 6 arenas through multi-round tournaments. Since Qwen3 Coder Plus ranks last among them, we take the open-weight Qwen3-Coder-30B as a case study and investigate how to improve it with distilled knowledge from stronger agents. Our analysis shows that Qwen3-Coder-30B is not well optimized for arena-style interaction: it frequently produces syntax and protocol-breaking errors and exhibits weak strategic adaptation across rounds. These failures are difficult to correct with vanilla instruction tuning alone, since offline SFT cannot directly verify whether a generated action is valid or beneficial. To address this, we propose ReAct SFT, which rewrites teacher trajectories into explicit [obs][thought][act] chains, and trajectoryquality weighted SFT, which reweights samples to encourage post-edit checking. ReAct SFT substantially improves strategic behavior, and our fine-tuned model outperforms the original Qwen3 Coder Plus in tournament evaluation.
• Abstract（参考訳）: 大規模言語モデルコーディングエージェントは最近、ソフトウェアタスクに役立っているが、弱いエージェントやオープンウェイトエージェントは、ユーザの意図を確実に解釈し、複雑なマルチステップワークフローを実行するのに依然として苦労している。 このギャップは特に、エージェントが事前結果を繰り返し検査し、障害を診断し、相互作用制約の下で次のコード編集を選択する、長期的設定で見ることができる。 弱いコードエージェントの思考プロセスを改善するために何ができるか? この問題は、CodeClashというコードアリーナのベンチマークで研究され、オリジナルの研究は、マルチラウンドトーナメントを通じて、6つのアリーナにわたる8つの商用コーディングエージェントを評価した。 Qwen3 Coder Plusが最上位であるので、オープンウェイトなQwen3-Coder-30Bをケーススタディとして、より強力なエージェントからの蒸留知識で改善する方法を検討します。 分析の結果,Qwen3-Coder-30Bはアリーナスタイルのインタラクションには適していないことが明らかとなった。 オフラインのSFTでは、生成されたアクションが有効かどうかを直接検証できないため、バニラ命令のチューニングだけでは修正が難しい。 そこで本稿では,教師の軌跡を明示的な[obs][ Thought][act]鎖に書き換えるReAct SFTを提案する。 ReAct SFTは戦略的行動を大幅に改善し、我々の微調整モデルはトーナメント評価において元のQwen3 Coder Plusより優れている。

関連論文リスト

• TRIM: Reducing AI-Generated CodeSlop via Agent Trajectory Minimization [57.14479960309637]
  コーディングエージェントは、多くの下流タスクでコード生成を加速するためにますます使われています。 その価値にもかかわらず、エージェント生成コードは、対応する人間による実装よりも大きく、冗長である傾向がある。 原因はエージェント自身の検索プロセスにあることを示す。
  論文  参考訳（メタデータ） (2026-07-20T17:06:19Z)
• Is Agent Code Less Maintainable Than Human Code? [17.226150835020146]
  保守環境において,エージェントコードがヒューマンコードとどのように比較されるかを検討する。 エージェントは人的コードに比べてエージェントコード構築時のタスクの解決に効果が低いことがわかった。
  論文  参考訳（メタデータ） (2026-06-19T23:56:14Z)
• SmellBench: Towards Fine-Grained Evaluation of Code Agents on Refactoring Tasks [34.43588103259487]
  SmellBenchは実世界のリポジトリからコードの臭いを積極的に注入する。 一般的な臭いの種類が7つ、難易度が3つ、実世界のレポジトリが2つある294のケースが含まれている。 実験の結果、最高の組み合わせであるQwenwen Code + Sonnet 4.5は50.34の匂いの除去しか得られなかった。
  論文  参考訳（メタデータ） (2026-06-04T01:49:07Z)
• FrontierSmith: Synthesizing Open-Ended Coding Problems at Scale [73.57353294235223]
  既存のクローズドエンドコーディングタスクからオープンエンドの問題を進化させる自動化システムであるFrontierSmithを紹介する。 2つのオープンエンドコーディングベンチマークでは、我々の合成データに対するトレーニングはベースモデルよりも大幅に向上する。 合成された問題は、エージェントがもっと回転してトークンを使うようにもなっています。
  論文  参考訳（メタデータ） (2026-05-14T06:39:42Z)
• SlopCodeBench: Benchmarking How Coding Agents Degrade Over Long-Horizon Iterative Tasks [55.76734816061826]
  我々は20の問題と93のチェックポイントからなる言語に依存しないベンチマークであるSlopCodeBenchを紹介する。 我々は、冗長性、重複コードの割合、構造的侵食という2つの軌道レベルの品質信号を追跡する。 11モデルにまたがるエンドツーエンドの問題を解決するエージェントは存在しない。
  論文  参考訳（メタデータ） (2026-03-25T19:26:44Z)
• ReLook: Vision-Grounded RL with a Multimodal LLM Critic for Agentic Web Coding [35.30369059154906]
  ReLookはエージェント的で視覚的な強化学習フレームワークである。 エージェントが堅牢な生成-診断-リファインループをクローズする権限を与える。 ヴィジュアライズされたフロントエンドコード生成において、一貫して強力なベースラインを上回ります。
  論文  参考訳（メタデータ） (2025-10-13T15:05:50Z)
• Sifting through the Chaff: On Utilizing Execution Feedback for Ranking the Generated Code Candidates [46.74037090843497]
  大規模言語モデル(LLM)は、自然言語記述に基づいたコードの自動生成によって、開発者がプログラミングにアプローチする方法を変えつつある。 本稿では,実行フィードバックを活用するコードランキングの革新的なアプローチである RankEF について述べる。 3つのコード生成ベンチマークの実験では、RanEFが最先端のCodeRankerよりも大幅に優れていることが示されている。
  論文  参考訳（メタデータ） (2024-08-26T01:48:57Z)
• Comments as Natural Logic Pivots: Improve Code Generation via Comment Perspective [85.48043537327258]
  本稿では, MANGO (comMents As Natural loGic pivOts) を提案する。 その結果、MANGOは強いベースラインに基づいてコードパス率を大幅に改善することがわかった。 論理的なコメントの復号化戦略の堅牢性は、考えの連鎖よりも顕著に高い。
  論文  参考訳（メタデータ） (2024-04-11T08:30:46Z)
• CONCORD: Clone-aware Contrastive Learning for Source Code [64.51161487524436]
  セルフ教師付き事前トレーニングは、多くのダウンストリームSEタスクに価値のあるジェネリックコード表現を学ぶための牽引役になった。 汎用的な表現学習のために、開発者が日々どのようにコードをコーディングするかは、要因としても不可欠である、と私たちは主張する。 特に,表現空間に良性クローンを近づける自己教師型コントラスト学習戦略であるCONCORDを提案する。
  論文  参考訳（メタデータ） (2023-06-05T20:39:08Z)
• Contrastive Code Representation Learning [95.86686147053958]
  一般的な再構成に基づくBERTモデルは,ソースコードの編集に敏感であることを示す。 コントラコード(ContraCode)は、コード機能を学ぶのにフォームではなく、コントラスト的な事前学習タスクである。
  論文  参考訳（メタデータ） (2020-07-09T17:59:06Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。